新方法Fortunate Recall优化LLM记忆生命周期管理
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
现有大模型记忆系统缺乏生命周期管理，导致存储无限增长且检索精度下降。新提出的Fortunate Recall（FR）策略层将个人事实分类为10+1种行为本体，并应用特定类别的生命周期策略。其实施方案FR-Bank在新的516题基准LifecycleBench上达到76.9%通过率，优于Mem0等现有方案，且未对标准检索造成可测量的成本。该方法将端到端幻觉率从45.1%降至22.4%，同时提高了正确回答的比例。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载记忆管理挑战
当前大语言模型的记忆系统通常对所有个人事实一视同仁，这导致随着时间推移，记忆存储库无限膨胀，而检索的精确度却逐渐下降。核心问题在于缺乏有效的生命周期管理机制，即无法决定哪些记忆应该保留，哪些应该被替换，以及基于每种事实的行为类型以何种速率进行替换。
FR策略机制
Fortunate Recall（FR）作为一种可组合的策略层被提出，旨在解决上述问题。该方法将个人事实分类为一个包含10+1种类型的行为本体，并针对不同类别应用特定的生命周期策略。这些策略包括差异化的时间衰减、槽位键更替、事件时间有效性以及类别感知的检索路由，所有操作均作为对大模型提取元数据的确定性函数执行。
性能与效果
研究团队构建了基础设施无关的FR-Bank进行验证。在包含516个问题的全新时间消歧基准LifecycleBench上，FR-Bank达到了76.9%的通过率，超越了Mem0、A-MEM、Memory-R1和MemoryOS等现有方案。在标准检索任务中，引入生命周期策略并未带来可测量的性能损失。端到端测试显示，FR-Bank将幻觉率从Mem0的45.1%大幅降低至22.4%，同时将正确回答率从18.6%提升至31.2%。
为什么值得看
解决长对话中记忆无限膨胀与检索精度下降的矛盾，显著降低幻觉率。
大模型幻觉
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。